[論文レビュー] Towards practical object detection for weed spraying in precision agriculture

Adrian Salazar-Gomez, Madeleine Darbyshire+3 more|arXiv (Cornell University)|Sep 22, 2021

Smart Agriculture and AI被引用数 12

ひとこと要約

本論文は、精度農業における雑草噴射のための実用的フレームワークを提案し、従来のmAPを超える現実世界の実用性を評価するための3つの新しい指標—雑草被覆率（WCR）、散布面積、推論速度—を導入した。実際の農場データを用いてYOLOv5mおよびFaster R-CNNモデルを適用した結果、mAPが低いモデルでも実際の散布効率において優れていることが示され、Faster R-CNNは17.08%の面積しか散布しなかったにもかかわらず85.78%のWCRを達成し、除草剤の使用量を顕著に削減した。

ABSTRACT

The evolution of smaller, faster processors and cheaper digital storage mechanisms across the last 4-5 decades has vastly increased the opportunity to integrate intelligent technologies in a wide range of practical environments to address a broad spectrum of tasks. One exciting application domain for such technologies is precision agriculture, where the ability to integrate on-board machine vision with data-driven actuation means that farmers can make decisions about crop care and harvesting at the level of the individual plant rather than the whole field. This makes sense both economically and environmentally. However, the key driver for this capability is fast and robust machine vision -- typically driven by machine learning (ML) solutions and dependent on accurate modelling. One critical challenge is that the bulk of ML-based vision research considers only metrics that evaluate the accuracy of object detection and do not assess practical factors. This paper introduces three metrics that highlight different aspects relevant for real-world deployment of precision weeding and demonstrates their utility through experimental results.

研究の動機と目的

• 標準的な精度指標を超えて、機械学習モデルの精度農業における雑草噴射評価のギャップを埋めるため。
• 実用的で現実世界の実装に適した3つの新しい指標—雑草被覆率（WCR）、散布面積、推論速度—を導入し、オブジェクト検出モデルの現実世界での実用性を検証するため。
• mAPが低いモデルでも、除草剤の削減と処理速度の面で優れた実用的性能を示すことを実証し、リアルタイムでの走行中噴射を可能にするため。
• 検出精度、除草剤効率、計算コストのトレードオフに基づいて最適なモデル選定の意思決定フレームワークを提供するため。

提案手法

• 著者らは、トラクターに搭載されたスプレーガンと5台のカメラおよびノズルを備えたシステムを構築し、現地での作業中にリアルタイムで画像を取得した。
• 2つのデータセット（BB：広葉雑草、LB：可視度が低い雑草）を用いて、最新のオブジェクト検出モデル（YOLOv5m、YOLOv3、Faster R-CNN、SSD）を適用した。
• 雑草被覆率（WCR）は、予測されたバウンディングボックスとノズル解像度に基づき、スプレーガンが標的とできる雑草の割合として計算された。
• 散布面積指標は、矩形のスプレー形状が検出された雑草と重複すると仮定し、スプレー領域が占める総面積として計算された。
• 推論速度は、1つのGPU上でフレーム/秒（FPS）単位で測定され、リアルタイム処理の可能性を評価した。
• 複数のカメラからのデータ処理を想定し、バッチサイズ（1〜44）を変化させることで、限られた搭載ハードウェア上のスケーラビリティを評価した。

実験結果

リサーチクエスチョン

• RQ1 従来のmAPベースの指標と、WCRや散布面積といった実用的指標は、精度農業における雑草噴射のためのオブジェクト検出モデルの評価において、どのように比較されるか？
• RQ2 現実の畑環境において、雑草被覆率（WCR）と除草剤効率（散布面積）の両立を最もよく果たすオブジェクト検出モデルはどれか？
• RQ3 モデルの精度（mAP）と推論速度のトレードオフは何か？ そして、農業用車両の組み込みシステムへのリアルタイム展開にどのように影響するか？
• RQ4 バッチサイズを増加させると、フレームレートや複数のカメラストリームをリアルタイムで処理する可能性にどのような影響があるか？
• RQ5 連続しない画像フレームや簡略化されたスプレー形状の仮定は、WCRおよび散布面積の推定精度にどの程度制限をもたらすか？

主な発見

• Faster R-CNN（ResNet-50-FPN）は、BBデータセットでmAPが低いにもかかわらず、17.08%の面積しか散布しなかったにもかかわらず85.78%のWCRを達成し、除草剤効率においてYOLOv5mを顕著に上回った。
• LBデータセットでは、SSDが96.94%のWCRを達成し、散布面積は35.36%にとどまった。これは、被覆率と無駄のトレードオフが強く、mAPがわずかに低いにもかかわらずYOLOv5m（68.6%の散布面積）を上回った。
• YOLOv3はバッチサイズ1で75.18 FPSという最速の推論速度を記録し、リアルタイム処理に適していたが、YOLOv5mほど高い検出精度ではなかった。
• バッチサイズ44では、YOLOv5mは1つのGPUで277–333 FPSを達成でき、3〜4台のGPUを搭載すれば15mphでのリアルタイム噴射が可能になると示唆されたが、依然として必要な968–1027 FPSには届かなかった。
• BBデータセットでの最高WCRは88.2%（YOLOv5m、3ノズル）であったが、これは33.03%の面積を散布するという高い無駄を伴い、コストの増加を意味した。
• 本研究では、mAPが最も高いモデル（例：YOLOv5m）が必ずしも最良の実用的性能を示すわけではないことが判明した。WCRと散布面積の指標により、現実世界への展開においてより意味のあるトレードオフが明らかになった。